一种融合收益期望的小额贷款信用评估方法技术

本发明专利技术涉及金融风险控制领域，公开了一种融合收益期望的小额贷款信用评估方法，对于每个申请人i，违约标识yi，为了在识别违约概率的同时加入收益考量，本专利自定义实际年化收益率、收益混淆矩阵等两个评价收益的指标，并设计收益期望，在量化收益的同时将收益期望加入到机器学习算法的目标函数中，最终预测出收益最高的贷款申请。本专利提出了一种融合收益期望的小额贷款信用评估方法，通过自定义实际年化收益率、收益混淆矩阵，并设计收益期望为目标函数，利用机器学习算法算法实现在预测申请人违约与否的同时完成对申请人带来收益的评价，最终预测出最有价值的放贷申请。最终预测出最有价值的放贷申请。最终预测出最有价值的放贷申请。

【技术实现步骤摘要】
一种融合收益期望的小额贷款信用评估方法


[0001]本专利技术涉及金融风险控制领域，特别涉及一种融合收益期望的小额贷款信用评估方法。

技术介绍

[0002]如今在金融风险控制领域，普遍使用信用评分来评估贷款申请人的违约风险，信用评分是指根据客户的各种历史信用数据，利用机器学习算法得到申请人的信用分数，分数高低代表申请人按时还款的可能性，策略人员可据此进行决策。然而，从金融机构的角度来看，他们希望在最小化风险的同时也能最大化收益，目前很少有研究试图将风险和收益整合在一起。受此启发，本专利提出了一个融合收益期望的小额贷款信用评估方法，将收益期望纳入模型进行评估。

技术实现思路

[0003]本专利技术要解决的技术问题是克服现有技术的缺陷，提供一种融合收益期望的小额贷款信用评估方法，通过自定义实际年化收益率、收益混淆矩阵，并设计收益期望为目标函数，利用机器学习算法算法实现在预测申请人违约与否的同时完成对申请人带来收益的评价，最终预测出最有价值的放贷申请。
[0004]为了解决上述技术问题，本专利技术提供了如下的技术方案：
[0005]本专利技术提供一种融合收益期望的小额贷款信用评估方法，对于每个申请人i，违约标识yi，为了在识别违约概率的同时加入收益考量，本专利自定义实际年化收益率、收益混淆矩阵等两个评价收益的指标，并设计收益期望，在量化收益的同时将收益期望加入到机器学习算法的目标函数中，最终预测出收益最高的贷款申请，具体方案如下：
[0006](1)、申请人数据样本准备
[0007]定义样本周期和目标变量口径，从大数据集群存储的历史申请样本表中抽取符合条件的申请样本和特征数据，将合并后的宽表存于hive表中；
[0008](2)、定义并计算申请人实际年化收益率
[0009]传统的年化收益率其中期末应还金额
i
＝贷款金额
i
+贷款金额
i
*利率
i
*年限
i
。当申请人正常还款时，期内利率保持不变，实际贷款年限不变；当申请人提前还款或延后还款时，通常在实际业务中，贷款机构会发起违约金或者罚金，实际还款利率会发生改变，同时贷款年限也发生了改变，此时为了体现真实的年华收益率，定义实际年化收益率：
[0010][0011](3)、定义并计算申请人收益混淆矩阵
[0012]其中分别表示申请人i不同预测结果所带来的收益，此收益不仅会与样本类别有关，还与贷款的不同金额、还款方式有关。
[0013](3.1)当申请人i被错误分类时，不产生收益，这里直接定义和
[0014](3.2)当申请人i被正确分类时，分两种情况讨论，
[0015](3.2.1)当申请人i被预测为正常样本并且其实际也正常，此时可以计算此申请人带来的实际收益，本专利设计此情况下的收益：
[0016](3.2.2)当申请人i被预测为违约样本并且其实际也违约，此时为贴近实际业务场景，基于金融机构不会让被拒绝的客户的钱闲置的市场规律，拒绝该申请后，金融机构会将资金贷给其他申请人，因为没有关于替代申请人的有效信息，本专利考虑替代申请人将以与正常样本相等概率的可能性正常偿还贷款，以与违约样本相等概率的可能性违约，取全部样本的违约用户占比作为贷款给违约用户的概率，取全部样本的正常用户占比作为贷款给正常用户的概率，并且取全部样本的平均贷款金额表示将资金贷给该申请人的额度，取全部样本的平均贷款利率表示将资金贷给该申请人的利率，本专利设计此情况下的收益如下：
[0017][0018]其中P表示全部样本的违约用户占比，lgd表示违约损失率；
[0019](4)、预测申请人违约概率
[0020]利用机器学习算法训练模型，得出申请样本i被预测为违约的概率h
θ
(X
i
)
[0021](5)、定义并计算申请样本收益期望
[0022]定义单个申请样本收益期望为：
[0023]定义全申请样本收益期望为：
[0024]其中N表示全申请样本的数量，h
θ
(X
i
)表示利用机器学习算法训练模型后得出的申请样本i的违约概率，由上述收益混淆矩阵计算所得。由于模型算法通常时最小化损失函数，本专利转换损失函数为收益函数，因此在式(1)前加入负号。
[0025](6)、判定申请人收益期望最大的类别
[0026]依据上述收益期望结果，完成机器学习算法超参调优，最终基于最大化收益期望进行决策，将申请样本i判定为收益期望最大的类别。
[0027]与现有技术相比，本专利技术的有益效果如下：
[0028]本专利提出了一种融合收益期望的小额贷款信用评估方法，通过自定义实际年化收益率、收益混淆矩阵，并设计收益期望为目标函数，利用机器学习算法算法实现在预测申请人违约与否的同时完成对申请人带来收益的评价，最终预测出最有价值的放贷申请。
附图说明
[0029]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0030]图1是本专利技术的方案流程示意图。
具体实施方式
[0031]以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0032]实施例1
[0033]本专利技术如图1所示，本专利技术提供一种融合收益期望的小额贷款信用评估方法，对于每个申请人i，违约标识yi，为了在识别违约概率的同时加入收益考量，本专利自定义实际年化收益率、收益混淆矩阵等两个评价收益的指标，并设计收益期望，在量化收益的同时将收益期望加入到机器学习算法的目标函数中，最终预测出收益最高的贷款申请，具体方案如下：
[0034](1)、申请人数据样本准备
[0035]定义样本周期和目标变量口径，从大数据集群存储的历史申请样本表中抽取符合条件的申请样本和特征数据，将合并后的宽表存于hive表中；
[0036](2)、定义并计算申请人实际年化收益率
[0037]传统的年化收益率其中期末应还金额
i
＝贷款金额
i
+贷款金额
i
*利率
i
*年限
i
。当申请人正常还款时，期内利率保持不变，实际贷款年限不变；当申请人提前还款或延后还款时，通常在实际业务中，贷款机构会发起违约金或者罚金，实际还款利率会发生改变，同时贷款年限也发生了改变，此时为了体现真实的年华收益率，定义实际年化收益率：
[0038][0039](3)、定义并计算申请人收益混淆矩阵
[0040][0041]其中分别表示申请人i不同预测结果所带来的收益，此收益不仅会与样本类别有关，还与贷款的不同金额、还款方式有关。
[0042](3.1)当申请人i被错误分类时，不产生收益，这里直接定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合收益期望的小额贷款信用评估方法，其特征在于，对于每个申请人i，违约标识yi，为了在识别违约概率的同时加入收益考量，本专利自定义实际年化收益率、收益混淆矩阵等两个评价收益的指标，并设计收益期望，在量化收益的同时将收益期望加入到机器学习算法的目标函数中，最终预测出收益最高的贷款申请，具体方案如下：(1)、申请人数据样本准备定义样本周期和目标变量口径，从大数据集群存储的历史申请样本表中抽取符合条件的申请样本和特征数据，将合并后的宽表存于hive表中；(2)、定义并计算申请人实际年化收益率传统的年化收益率其中期末应还金额
i
＝贷款金额
i
+贷款金额
i
*利率
i
*年限
i
。当申请人正常还款时，期内利率保持不变，实际贷款年限不变；当申请人提前还款或延后还款时，通常在实际业务中，贷款机构会发起违约金或者罚金，实际还款利率会发生改变，同时贷款年限也发生了改变，此时为了体现真实的年华收益率，定义实际年化收益率：(3)、定义并计算申请人收益混淆矩阵其中分别表示申请人i不同预测结果所带来的收益，此收益不仅会与样本类别有关，还与贷款的不同金额、还款方式有关。(3.1)当申请人i被错误分类时，不产生收益，这里直接定义和(3.2)当申请人i被正确分类时，分两种情况讨论，(3.2.1)当申请人i被预测为正常样本并且其实际也正常，此时可以计算此申请人带来的实际收益，本专利设计此情况...

【专利技术属性】
技术研发人员：朱桂菊，
申请(专利权)人：权利要求书二页说明书五页附图一页，
类型：发明
国别省市：